/ Модель

Характеристики

Параметры
403 млн
Лицензия
Apache 2.0
Архитектура
wav2vec2 · dense
Опубликована
17 сен 2026

aci-yoruba-phaseX

Распознавание речиАудио → текст4 профессии

ACI Yoruba Phase X распознаёт йоруба в аудио с помощью Wav2Vec2 и языкового декодера KenLM.

1 060скачиваний за 30 дней1лайквеса обновлены5 окт 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Распознавание речи» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

ACI Yoruba Phase X — модель автоматического распознавания нигерийского языка йоруба в аудио, разработанная авторами репозитория Awesome-x. Это дообученная акустическая модель Wav2Vec2ForCTC размером около 402,7 млн параметров, объединённая с 5-граммовой языковой моделью KenLM и фонетической картой постобработки. В репозитории собраны веса, декодер KenLM и карта.

Модель предназначена для транскрибирования речи на йоруба. В README сообщается о WER 7,09% на отложенной выборке из 55 записей AR_Audios после нормализации текста; улучшение относительно предыдущей конфигурации получено настройкой декодирования и более крупным униграммным корпусом, а акустические веса общие с Phase 10.

Результат измерен на небольшой выборке из одного датасета, поэтому перед практическим применением качество следует проверить на целевых записях. Модель выпущена под лицензией Apache-2.0.

Сценарии применения

  • транскрибирование записей речи на йоруба
  • распознавание йоруба в аудиоархивах
  • подготовка черновых субтитров для речи на йоруба

Ограничения

Оценка WER 7,09% получена всего на 55 отложенных записях из одного датасета; она может не отражать качество на других аудиоданных. Рекомендуется проверка на целевой выборке.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

ACI Yoruba Phase X

Fine-tuned Wav2Vec2 acoustic model (shared with Phase 10) paired with a 5-gram KenLM language model (alpha=2.0, beta=1.5) trained on a larger unigram corpus, plus a phonetic post-processing map. Self-contained: model weights, KenLM decoder, and phonetic map are all bundled in this repo.

Evaluation

Measured on a held-out set of 55 samples -- specifically, the only samples in our AR_Audios dataset that were not used to fine-tune the shared acoustic weights (Phase X and Phase 10 use the same acoustic model; evaluating on any of the other ~495 samples would be testing on data the model was trained on, which does not reflect real-world performance).

Text normalization strips all punctuation symmetrically from both prediction and reference before scoring (the model's vocabulary does not produce punctuation, so scoring against punctuated references without this step misrepresents accuracy).

ModelDecoder configWER (held-out, normalized)
Phase 8 / 9KenLM alpha=0.5, beta=1.012.63%
Phase 10KenLM alpha=0.5, beta=1.0 (fine-tuned acoustics)12.33%
Phase XKenLM alpha=2.0, beta=1.5, larger unigram corpus7.09%

The stronger language-model weighting and larger unigram vocabulary account for the improvement over Phase 10 -- both share the same acoustic weights, so this gain comes specifically from decoding configuration, not additional acoustic training.

Caveat: 55 samples is a real but modest held-out set from a single dataset (AR_Audios). We recommend validating against your own audio, and ideally a larger or independent test set, before treating this as a fully generalized production benchmark.

Quickstart

pip install torch transformers pyctcdecode librosa
import re
import json
import torch
import librosa
from huggingface_hub import hf_hub_download
from transformers import Wav2Vec2ForCTC, Wav2Vec2ProcessorWithLM

REPO_ID = "Awesome-x/aci-yoruba-phaseX"

model = Wav2Vec2ForCTC.from_pretrained(REPO_ID)
processor = Wav2Vec2ProcessorWithLM.from_pretrained(REPO_ID)

map_path = hf_hub_download(repo_id=REPO_ID, filename="phonetic_map.json")
with open(map_path, encoding="utf-8") as f:
    PHONETIC_MAP = json.load(f)

def clean_transcript(text):
    for pattern, replacement in PHONETIC_MAP.items():
        text = re.sub(pattern, replacement, text)
    text = re.sub(r"[^\w\s]", "", text)
    return re.sub(r"\s+", " ", text).strip().upper()

audio, sr = librosa.load("sample.wav", sr=16000)
input_values = processor(audio, sampling_rate=16000, return_tensors="pt").input_values

with torch.no_grad():
    logits = model(input_values).logits

raw_transcript = processor.decode(logits[0].numpy()).text
print("Transcript:", clean_transcript(raw_transcript))

Status

Production candidate -- best verified performance among current checkpoints on the held-out benchmark above.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Wav2Vec2ForCTC
Ревизия весов
a56fa52

0 моделей